标签：好的 搜索 一个 http 曲线 无法 实现 最优 样本
1.概念
蒙特卡罗方法（随机取样法）是一种计算方法。原理是通过大量随机样本，去了解一个系统，进而得到所要计算的值。
2.两个应用例子
例子1：求π的值。
正方形内部有一个相切的圆，它们的面积之比是π/4。现在，在这个正方形内部，随机产生1000000个点（即1000000个坐标对 (x, y)），计算它们与中心点的距离，从而判断是否落在圆的内部。如果这些点均匀分布，那么圆内的点应该占到所有点的 π/4，因此将这个比值乘以4，就是π的值。
MATLAB实现：
N=1000000; %随机点的数目
x=rand(N,1); %rand 生成均匀分布的伪随机数。分布在（0~1）之间
y=rand(N,1); %矩阵的维数为N×1
count=0;
for i=1:N
if (x(i)^2+y(i)^2<=1)
count=count+1;
end
end
PI=4*count/N
例子2：计算积分
计算函数 y = x^2 在 [0, 1] 区间的积分，就是求出红色曲线下面的面积。这个函数在 (1,1) 点的取值为1，所以整个红色区域在一个面积为1的正方形里面。在该正方形内部，产生大量随机点，可以计算出有多少点落在红色区域（判断条件 y < x^2）。这个比重就是所要求的积分值。
MATLAB实现：
clear
clc
N=10000;
x=rand(N,1);
y=rand(N,1);
count=0;
for i=1:N
if (y(i)<=x(i)^2)
count=count+1;
end
end
result=count/N
3. 与拉斯维加斯方法的比较
（1）蒙特卡罗算法：假如筐里有100个苹果，让我每次闭眼拿1个，挑出最大的。于是我随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1个……我每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大，但我除非拿100次，否则无法肯定挑出了最大的。——尽量找好的，但不保证是最好的。
特点：采样越多，越近似最优解；
（2）拉斯维加斯方法：假如有一把锁，给我100把钥匙，只有1把是对的。于是我每次随机拿1把钥匙去试，打不开就再换1把。我试的次数越多，打开（最优解）的机会就越大，但在打开之前，那些错的钥匙都是没有用的。——尽量找最好的，但不保证能找到。
特点：采样越多，越有机会找到最优解。
4.更深度的应用
蒙特卡洛树搜索---深度学习，强化学习
标签：好的 搜索 一个 http 曲线 无法 实现 最优 样本
原文地址：http://www.cnblogs.com/youngsea/p/7457683.html
